Subject
Аналитика на образовни податоци
| 1. | Наслов на наставниот предмет |
Аналитика на образовни податоци Educational data analytics |
||||||||||||
| 2. | Код | m23_s_031 | ||||||||||||
| 3. | Студиска програма | — | ||||||||||||
| 4. | Организатор на студиската програма (единица, односно институт, катедра, оддел) | Факултет за информатички науки и компјутерско инженерство | ||||||||||||
| 5. | Степен (прв, втор, трет циклус) | Втор циклус | ||||||||||||
| 6. | Академска година / семестар | 10 / Летен | ||||||||||||
| 7. | Број на ЕКТС кредити | 6 | ||||||||||||
| 8. | Наставник | Бобан Јоксимоски, Иван Чорбев | ||||||||||||
| 9. | Предуслови за запишување на предметот | — | ||||||||||||
| 10. | Цели на предметната програма (компетенции) | Да се разберат клучните аналитики на податоци од учење и податочно рударење на образовни податоци (АПУ / ПРОП) и да се применат на реални проблеми низ различни образовни средини. Учење за релевантни политички, правни и етички прашања вклучени во спроведувањето аналитика на образовните податоци. Користење методи за анализа на учење за да се промени образованието на подобро. Овој курс опфаќа основни методи во рударство на образовни податоци. Студентите ќе научат како да ги извршат овие методи во стандардни софтверски пакети и ограничувањата на постојната имплементација на овие методи. Подеднакво важно, студентите ќе научат кога и зошто да ги користат овие методи. Дискусијата за тоа како EDM се разликува од традиционалните статистички и психометриски пристапи ќе биде клучен дел од овој курс; особено, ќе проучиме колку исти статистички и математички пристапи се користат на различни начини во овие истражувачки заедници | ||||||||||||
| 11. | Содржина на предметната програма | Вовед во анализа на податоци од учење и рударство на образовни податоци (LA / EDM), Регресија во предвидувањата кај образовни податоци, Алгоритми за класификација кај образовни податоци, Откривање на однесување, Дијагностичка метрика, Инженерство и дестилација на карактеристики кај образовни податоци, Напредна проценка и валидација , Баесови алгоритми, Анализа на фактори на перформанси кај образовни податоци, Напредна BKT, Откривање на структура во знаењето, Анализа на мрежа кај образовни податоци, Рударството на корелации и Каузално Рударство, Откривање со модели, кластерирање и анализа на фактори, Рударство на Асоцијативни правила кај образовни податоци, Рударство на секвенцијални шеми, Рударење на текст, Визуелизација на образовни податоци. | ||||||||||||
| 12. | Методи на учење | Предавања поддржани со презентации преку слајдови, интерактивни предавања, практични вежби, тимска работа, пример случаи, поканети предавачи, самостојна изработка на проектна задача и семинарска работа и електронско учење. | ||||||||||||
| 13. | Вкупен расположив фонд на време | 6 ЕКТС x 30 часа = 180 часа | ||||||||||||
| 14. | Распределба на расположивото време | 45 + 15 + 30 + 50 + 40 = 180 часа | ||||||||||||
| 15. | Форми на наставните активности |
|
||||||||||||
| 16. | Други форми на активности |
|
||||||||||||
| 17. | Начин на оценување |
|
||||||||||||
| 18. | Критериуми за оценување (бодови/ оценка) |
|
||||||||||||
| 19. | Услов за потпис и полагање на завршен испит | реализирани активности | ||||||||||||
| 20. | Јазик на кој се изведува наставата | македонски и англиски | ||||||||||||
| 21. | Метод на следење на квалитетот на наставата | Механизам на интерна евалуација и анкети | ||||||||||||
| 22. | Литература |
|
